基于FID的轴承故障诊断合成谱图质量评估

《IEEE Access》：FID-Based Quality Evaluation of Synthetic Spectrograms for Bearing Fault Diagnosis

　　

数据稀缺与类别不平衡仍是基于深度学习的滚动轴承故障诊断中的主要障碍，因为在工业运行条件下难以获取具有代表性的故障样本。研究人员在受控的轴承故障诊断设定下考察了质量受控的合成谱图能否作为可靠的训练数据。来自Ottawa轴承数据集与额外Paderborn轴承案例研究的一维振动信号被转换为短时傅里叶变换（STFT）谱图，仅使用相应的真实训练划分训练类别级带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP），并使用Fréchet Inception Distance（FID）评估生成器检查点，进一步采用受ISO/IEC 5259-2启发的特征空间分析，其中通过类别基数匹配控制平衡，使用独立指标衡量相似性与多样性。下游效用通过ResNet-18分类器在真实到真实与合成到真实评估协议下评估，使用固定的真实验证集与保留的真实测试集。在所采用的设定下，筛选出的高质量合成检查点在主要Ottawa案例研究中取得了最高的平均下游性能，而低质量合成数据导致泛化能力下降或不稳定。这些发现支持在合成数据用作真实轴承故障数据的替代或补充之前进行检查点级质量验证，而跨域、跨转速与按轴承泛化的更严格评估留作未来工作。完整实现、每种子种子结果与验证脚本公开于https://github.com/kihyun625/paper_fid-synthetic-spectrogram-quality。

研究背景方面，制造业自动化互联背景下，预测与健康管理（PHM）对设备可用性至关重要，但基于深度学习的故障诊断受限于正常数据与故障数据的严重不平衡，工业资产多数时间健康运行，故意跑至失效测试成本高昂且危险，导致模型偏向正常模式、对早期故障敏感度高降低。传统过采样如SMOTE在输入空间生成少数类样本，而生成对抗网络（GAN）被用于合成数据增强，WGAN-GP提升训练稳定性，STFT谱图将一维非平稳振动转为二维时频表示以适配卷积神经网络（CNN）。然而既往研究多关注数量增加，合成数据质量及其对下游可靠性的系统评估不足，模式崩溃、冗余或看似合理但无诊断信息的伪影反而损害性能。可信AI需求下，ISO/IEC 5259-2提供了平衡、相似性、多样性的数据质量框架，但机械诊断领域直接套用少见。该研究由此聚焦：在受控轴承诊断设定下，质量受控合成谱图能否作为可靠训练数据。

关键技术方法上，研究人员采用Ottawa轴承数据集（42000 Hz采样，5类：Healthy、Inner Race、Outer Race、Ball、Cage）为主案例，Paderborn轴承数据集（64 kHz采样，3类：Healthy、Outer-ring、Inner-ring损伤）为跨数据集验证，均在录音级划分60/20/20训练验证测试并按段生成STFT谱图（64×64，log压缩）。每类独立训练类别级WGAN-GP（DCGAN式生成器、卷积critic、梯度惩罚权重λ），仅用real_train保存检查点；用ImageNet预训练Inception-v3特征算FID选最小（高质）/最大（低质）检查点，辅以KID、频率剖面Jensen–Shannon散度（JSD）、谱质心Wasserstein距离、最大均值差异（MMD）、PCA95比；用ImageNet预训练ResNet-18去全连接层提512维特征算类内余弦相似（Intra）、类间余弦相似（Inter）、K=10 K-means激活簇覆盖；下游用从头训ResNet-18在TRTR、TSTR_low、TSTR_high及比例控制Train-(Real+Synthetic)下测10种子准确率与Macro-F1。

研究结果部分，引言指出研究贡献为建立检查点级评价流水线、发现质量影响均值与跨种子稳定性（低质标准差约为真实基线2.6倍、高质3.0倍，退化集中于Outer Race与Cage）、粗指标如激活簇覆盖饱和但分布指标与FID一致、比例控制中合成替换越多高质优势越大（Ottawa 75%合成比下高低质差5.02个百分点）。相关工作总结GAN增强、ISO/IEC 5259-2、下游TSTR转移性等既往空白。方法论小节阐明STFT定义X(m,ω)=∑x[n]w[n?mH]e^?jωn、幅值S与log压缩S?、WGAN-GP目标含critic损失L_Dc与generator损失L_Gc、线插值x?=εx_real+(1?ε)x_fake、类别基数匹配|D_c^syn|=|D_c^real-train|；FID=‖μ_r?μ_g‖₂²+Tr(Σ_r+Σ_g?2(Σ_rΣ_g)^1/2；ISO启发指标Intra、Inter、Coverage=N_act/K；分类器交叉熵L_CE(θ)。结果分析显示Ottawa案例TSTR_high平均准确率超TRTR，TSTR_low波动大且Outer Race/Cage类F1掉点；Paderborn三类中高质合成仍优于低质但未超越真实；比例实验ρ=0.25时混合饱和，ρ=0.75时高质比低质高5.02%；辅助指标中Intra低质更高（冗余）、Inter高质更接近1、PCA95比高质近1、JSD/MMD低质偏大，激活簇覆盖均饱和故不能单用。

讨论与结论翻译部分，研究人员总结：在受控设定下，检查点级FID筛选的高质量合成STFT谱图可替代或补充稀缺真实故障数据并在Ottawa主案例取得最高平均下游性能，低质数据致不稳定泛化且退化集中于难类；粗指标（激活簇覆盖）饱和说明需FID加分布/时频指标联合验证；合成占比越高质量权重越大，但充足真实数据下混合增益饱和；跨域、跨转速、按轴承泛化评估留未来工作。该文发表于《IEEE Access》，支撑了在工业部署前对合成故障数据施行检查点级质量校验的实践准则。